本發(fā)明涉及視覺檢測，具體涉及一種oled顯示光學膜的外觀瑕疵智能檢測方法。

背景技術(shù)：

1、oled顯示光學膜是由多層不同材質(zhì)的透明光學膜組成，具有超薄輕量化、快速響應(yīng)時間、廣視角、高對比度、功耗低等優(yōu)點，廣泛用于智能手機、電腦、電視、可穿戴設(shè)備、車載顯示等領(lǐng)域。為了確保顯示效果，需要對oled顯示光學膜進行外觀瑕疵檢測；由于光學膜外觀容易存在氣泡、異物和凹凸三種缺陷，依靠人工檢測不僅效率低成本高，而且容易造成漏檢情況；傳統(tǒng)方式對光學膜檢測時會基于像素灰度差異進行瑕疵缺陷特征的提取，但是不同類型的缺陷在圖像上呈現(xiàn)出來的特征是復(fù)雜多變的，人為設(shè)計的特征進行區(qū)分類別存在一定的局限性，從而導(dǎo)致缺陷檢測結(jié)果的準確性會降低，也無法有效滿足工業(yè)生產(chǎn)對瑕疵類別的管控需求，來進一步追溯生產(chǎn)工藝環(huán)節(jié)出現(xiàn)的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種oled顯示光學膜的外觀瑕疵智能檢測方法，針對oled顯示光學膜存在的氣泡、異物和凹凸三種缺陷能夠?qū)崿F(xiàn)高精準以及高效的自動檢測，大大提高了oled顯示光學膜缺陷檢測的效率、檢測結(jié)果的精準度與可靠度。

2、本發(fā)明通過如下技術(shù)方案實現(xiàn)上述目的：一種oled顯示光學膜的外觀瑕疵智能檢測方法，包括以下步驟：

3、s1：采集oled顯示光學膜的光學膜灰度圖像；

4、s2：根據(jù)光學膜灰度圖像中像素灰度值的分布情況去除背景區(qū)域后得到產(chǎn)品區(qū)域，使用高斯濾波對產(chǎn)品區(qū)域進行濾波處理，對濾波后的產(chǎn)品區(qū)域計算整體灰度均值；

5、s21：根據(jù)光學膜灰度圖像中所有像素的灰度值分布情況，計算得到相應(yīng)的灰度直方圖；

6、s22：依據(jù)灰度直方圖中出現(xiàn)的波峰位置分割出產(chǎn)品區(qū)域和背景區(qū)域；

7、s23：對獲取到的產(chǎn)品區(qū)域進行高斯濾波處理得到新的圖像，記為初始預(yù)處理灰度圖像；

8、s24：根據(jù)初始預(yù)處理灰度圖像中所有像素的灰度值進行平均值計算，得到的計算結(jié)果作為產(chǎn)品區(qū)域的整體灰度均值；

9、s3：根據(jù)所述整體灰度均值對初始預(yù)處理灰度圖像中所有像素的灰度值進行線性縮放處理，得到的新圖像記為第一增強圖像；

10、s4：根據(jù)第一增強圖像使用特定結(jié)構(gòu)元素，在每個像素位置的鄰域內(nèi)計算出最大灰度值，并將得到的最大灰度值對當前像素的灰度值進行替換，遍歷所述第一增強圖像后得到的新圖像，記為第二增強圖像；

11、s5：根據(jù)所述第一增強圖像、所述第二增強圖像進行閾值分割處理，得到產(chǎn)品區(qū)域內(nèi)存在的所有缺陷區(qū)域；

12、s6：根據(jù)所述所有缺陷區(qū)域計算每個區(qū)域相應(yīng)的質(zhì)心坐標，在所述光學膜灰度圖像上對應(yīng)于所述質(zhì)心坐標位置，裁切出若干個固定尺寸大小的圖像，得到若干缺陷裁切圖像；

13、s7：將所述缺陷裁切圖像送入預(yù)先訓(xùn)練好的分類網(wǎng)絡(luò)模型中，根據(jù)所述分類網(wǎng)絡(luò)模型對輸入的所有缺陷裁切圖像進行類別判斷輸出相應(yīng)的氣泡、異物和凹凸缺陷結(jié)果。

14、優(yōu)選的，步驟s22中，所述依據(jù)灰度直方圖中出現(xiàn)的波峰位置分割出產(chǎn)品區(qū)域和背景區(qū)域，具體包括：

15、s221：所述灰度直方圖中，橫坐標為圖像中各個像素點的灰度級別，縱坐標為具有對應(yīng)灰度級別的像素在圖像中出現(xiàn)的次數(shù)和頻率；舍去縱坐標小于設(shè)定數(shù)值的波峰；

16、s222：對大于或等于所述設(shè)定數(shù)值的波峰從小到大進行排序，選取最大和最小的波峰作為分割依據(jù)，計算最大波峰與最小波峰所對應(yīng)橫坐標灰度等級的平均值作為分割閾值；

17、s223：灰度值低于所述分割閾值的所有像素組成的區(qū)域為產(chǎn)品區(qū)域，灰度值高于所述分割閾值的所有像素組成的區(qū)域為背景區(qū)域。

18、優(yōu)選的，步驟s3中，所述根據(jù)整體灰度均值對初始預(yù)處理灰度圖像中所有像素的灰度值進行線性縮放處理，得到第一增強圖像，具體包括：

19、將初始預(yù)處理灰度圖像的灰度值從范圍按照映射規(guī)則映射到新的范圍，所述映射規(guī)則為：

20、；

21、其中，表示經(jīng)過線性縮放后輸出的新灰度值；表示初始預(yù)處理灰度圖像中原始灰度范圍的最小值；表示初始預(yù)處理灰度圖像中原始灰度范圍的最大值；表示經(jīng)過線性縮放映射到新的灰度范圍的最小值；表示經(jīng)過線性縮放映射到新的灰度范圍的最大值；表示初始預(yù)處理灰度圖像中輸入的原始灰度值。

22、優(yōu)選的，步驟s4中，所述根據(jù)第一增強圖像使用特定結(jié)構(gòu)元素，在每個像素位置的鄰域內(nèi)計算出最大灰度值，具體包括：

23、設(shè)輸入的第一增強圖像為，特定結(jié)構(gòu)元素為，計算每個像素位置在特定結(jié)構(gòu)元素的鄰域內(nèi)的最大灰度值，得到第二增強圖像d定義為：

24、；

25、其中，表示當前處理圖像的像素位置；表示特定結(jié)構(gòu)元素中的坐標。

26、對于每個像素計算其鄰域內(nèi)所有結(jié)構(gòu)元素對應(yīng)位置的像素灰度值，并取其最大值作為最終輸出的結(jié)果，可以有效增強圖像中的亮區(qū)。

27、優(yōu)選的，步驟s5中，所述根據(jù)第一增強圖像、第二增強圖像進行閾值分割處理，得到產(chǎn)品區(qū)域內(nèi)存在的所有缺陷區(qū)域，具體包括：

28、s51：將第一增強圖像、第二增強圖像根據(jù)其寬高大小劃分為多個矩形區(qū)域；

29、s52：計算每一個矩形區(qū)域的整體灰度均值，在第一增強圖像中將當前矩形區(qū)域的整體灰度均值減去預(yù)設(shè)缺陷程度閾值得到的新閾值記為第一提取閾值；在第二增強圖像中將當前矩形區(qū)域的整體灰度均值加上預(yù)設(shè)缺陷程度閾值得到的新閾值記為第二提取閾值；

30、s53：在第一增強圖像中，將灰度值低于所述第一提取閾值的像素進行提取，依次遍歷所有矩形區(qū)域，將提取到的所有區(qū)域記為第一存在缺陷區(qū)域；所述第一存在缺陷區(qū)域為包含有氣泡和/或異物的缺陷區(qū)域；

31、s54：在第二增強圖像中，將灰度值高于所述第二提取閾值的像素進行提取，依次遍歷所有矩形區(qū)域，將提取到的所有區(qū)域記為第二存在缺陷區(qū)域；所述第二存在缺陷區(qū)域為包含有凹凸的缺陷區(qū)域；

32、s55：將所述第一存在缺陷區(qū)域、所述第二存在缺陷區(qū)域進行合并，得到產(chǎn)品區(qū)域內(nèi)存在的所有缺陷區(qū)域。

33、優(yōu)選的，步驟s51中，所述將第一增強圖像、第二增強圖像根據(jù)其寬高大小劃分為多個矩形區(qū)域，具體包括：

34、s511：設(shè)所述第一增強圖像或所述第二增強圖像整個圖像矩形區(qū)域的左上角坐標為，右下角坐標為，將其劃分成 r行 c列，得到個矩形區(qū)域；

35、s512：計算每個矩形區(qū)域的寬度 w和高度 h分別為：；

36、s513：計算每個矩形區(qū)域左上角坐標和右下角坐標：

37、矩形區(qū)域的左上角坐標為：，；

38、矩形區(qū)域的右下角為：；

39、其中。

40、優(yōu)選的，步驟s6中，所述根據(jù)所有的缺陷區(qū)域計算每個區(qū)域相應(yīng)的質(zhì)心坐標，具體包括：將所述質(zhì)心坐標記作，其中，

41、；

42、式中和為單個缺陷區(qū)域內(nèi)每個像素的坐標，n為單個缺陷區(qū)域內(nèi)的所有像素數(shù)量。

43、優(yōu)選的，步驟s6中，在所述光學膜灰度圖像上對應(yīng)于所述質(zhì)心坐標位置，裁切出若干個固定尺寸大小的圖像，得到所述若干缺陷裁切圖像，具體包括：

44、設(shè)定在光學膜灰度圖像上裁切的裁切區(qū)域?qū)挾葹?，高度為，通過質(zhì)心坐標計算裁切區(qū)域的左上角坐標為：

45、；

46、裁切區(qū)域的右下角坐標為：

47、；

48、依據(jù)坐標在光學膜灰度圖像上進行裁切，得到所述若干缺陷裁切圖像。

49、優(yōu)選的，步驟s7中，將所述缺陷裁切圖像送入預(yù)先訓(xùn)練好的分類網(wǎng)絡(luò)模型中，根據(jù)所述分類網(wǎng)絡(luò)模型對輸入的所有缺陷裁切圖像進行類別判斷輸出相應(yīng)的氣泡、異物和凹凸缺陷結(jié)果，具體包括：

50、對于步驟s6獲取到的所有缺陷裁切圖像，將其輸入到預(yù)先訓(xùn)練好的分類網(wǎng)絡(luò)模型中；經(jīng)過所述分類網(wǎng)絡(luò)模型判斷后，獲取到當前缺陷裁切圖像的所有類別以及每個類別對應(yīng)的置信度；選取置信度最高的類別作為當前缺陷裁切圖像的類別，并將該類別的置信度和預(yù)設(shè)類別置信度進行對比判斷，若低于預(yù)設(shè)類別置信度則不輸出該結(jié)果，若大于或等于預(yù)設(shè)類別置信度，則輸出該缺陷裁切圖像的類別和置信度。

51、與現(xiàn)有技術(shù)相比，本發(fā)明一種oled顯示光學膜的外觀瑕疵智能檢測方法的有益效果在于：根據(jù)oled顯示光學膜灰度圖像進行灰度值差異得到產(chǎn)品區(qū)域，根據(jù)產(chǎn)品區(qū)域進行高斯濾波處理得到初始預(yù)處理灰度圖像，并計算整體灰度均值，根據(jù)整體灰度均值對初始預(yù)處理灰度圖像中所有像素的灰度值進行線性縮放處理，得到第一增強圖像，根據(jù)第一增強圖像使用特定結(jié)構(gòu)元素在每個像素位置的鄰域內(nèi)計算出最大灰度值，并將最大灰度值作為當前像素的灰度值得到第二增強圖像，根據(jù)第一、第二增強圖像提取產(chǎn)品區(qū)域內(nèi)存在的所有缺陷區(qū)域，根據(jù)這些缺陷區(qū)域計算質(zhì)心坐標并在原始的灰度圖像上裁切出固定尺寸大小的缺陷裁切圖像，根據(jù)預(yù)先訓(xùn)練好的分類網(wǎng)絡(luò)模型對缺陷裁切圖像進行類別判斷輸出氣泡、異物和凹凸缺陷；相較于現(xiàn)有技術(shù)，oled顯示光學膜外觀存在的氣泡、異物和凹凸缺陷在圖像上呈現(xiàn)出的特征是復(fù)雜多變的，人為提取設(shè)計缺陷特征會存在一定的局限性，導(dǎo)致光學膜表面缺陷的檢測結(jié)果不夠準確，也無法利用檢測結(jié)果進行有效的缺陷類別管控；本發(fā)明的第一、第二增強圖像能夠提高缺陷區(qū)域和正常區(qū)域之間的對比度，快速定位到產(chǎn)品存在的缺陷區(qū)域，將獲取到的缺陷裁切圖像送入分類網(wǎng)絡(luò)模型判斷輸出相應(yīng)的結(jié)果，大大提高了oled光學膜產(chǎn)品的瑕疵檢測結(jié)果的準確性和可靠性，滿足了實際工業(yè)生產(chǎn)對瑕疵類別的管控需求。